PP-YOLOE

基于 YOLOv 5 提出的更适合工业场景的目标检测模型,主要改进是使用 anchor-free,使用类别、定位一致的检测头

什么是 PP-YOLOE ?

  • Paddle 开发的 anchor-free 的多头单框目标检测模型,改进使用更高效的 BackBone,去除 anchor-base,使用类别及定位更加一致的检测头,以及提出任务对齐模型的标签匹配策略,最终模型相比较 YOLOv 5,更适合工业场景

PP-YOLOE 的网络结构?

  • CSPRepResNet:在 CSPResNet 的基础上,增加 “重参数化” 技巧,训练和推理使用不同的网络结构
  • ESE block:高效的检测头,使用注意力机制,缓解回归和分类问题的 Gap

PP-YOLOE 的 RepResBlock 与 CSPRepResStage?

  • 在 TreeBlock 的基础上改进得到 RepResBlock,并且通过重参数化技巧,在推理时重构网络结构

相比较 PP-YOLOv 2 ,PP-YOLOE 的改进?

  • 改为 Anchor-free:mAP 下降,参数变少
  • 主干网络改为 RepResBlock:准确度更高,效率更高
  • 任务对齐标签分配策略 TAL:准确度更高
  • 高效检测头 ET-Head:准确度提升

PP-YOLOE 的任务对齐标签匹配策略?

  • 使用任务对齐匹配策略后,其 AP 值更高

PP-YOLOE 的损失函数?

  • LossVFLLoss_{VFL}:VFL 使用 IACS (IoU-aware classification score) 作为 target,使得模型可以学习到 classification score 和 IoU score 的联合分布
  • LossDFLLossGIoULoss_{DFL}、Loss_{GIoU}:采用 DFL (Distribution Focal Loss) 来监督积分模块的学习,和 GIoU Loss 相结合共同监督回归任务的学习
  • t^\hat t:归一化 target 分数
  • αβγ\alpha、\beta、\gamma:3 个超参